[論文レビュー] A Deep Learning based Fast Signed Distance Map Generation

Zihao Wang, Clair Vandersteen+5 more|arXiv (Cornell University)|May 26, 2020

Optical measurement and interference techniques被引用数 6

ひとこと要約

本論文では、パラメトリック形状モデルから高速かつ高精度に3次元符号付き距離マップ（SDM）を生成するための畳み込みニューラルネットワーク（SDMNN）を提案する。GPU推論を必要とせず、古典的なメッシュベースの手法と比較して66倍の高速化を達成している。本手法により、特に聴性郭インプラント計画において、リアルタイムでのSDM計算が可能となり、従来手法と比較して形状パラメータ回復の誤差は無視できるほど小さい。

ABSTRACT

Signed distance map (SDM) is a common representation of surfaces in medical image analysis and machine learning. The computational complexity of SDM for 3D parametric shapes is often a bottleneck in many applications, thus limiting their interest. In this paper, we propose a learning based SDM generation neural network which is demonstrated on a tridimensional cochlea shape model parameterized by 4 shape parameters. The proposed SDM Neural Network generates a cochlea signed distance map depending on four input parameters and we show that the deep learning approach leads to a 60 fold improvement in the time of computation compared to more classical SDM generation methods. Therefore, the proposed approach achieves a good trade-off between accuracy and efficiency.

研究の動機と目的

• 医療画像解析における3次元三角メッシュからの符号付き距離マップ（SDM）生成の高い計算コストを解決すること。
• GPUを必要とせず、臨床現場に適した効率的なSDM生成手法を開発すること。
• 聴性郭インプラント計画などの医療画像処理パイプラインにおいて、高速な形状パラメータフィッティングを可能にすること。
• 全3次元SDMグリッドの生成において、点ベースのニューラルネットワーク（例：DeepSDF）の非効率性を克服すること。
• パラメトリック形状モデルに対する汎用的で正確かつ高速な従来手法の代替手段を提供すること。

提案手法

• 3次元U-Netに類似した畳み込みニューラルネットワーク（SDMNN）を、形状パrameterと空間座標から直接符号付き距離マップを予測するように学習する。
• 地面真理としてVTKのvtkImplicitPolyDataDistanceを用いて、パラメトリック蝸牛モデルから生成された3次元SDMのデータセットを用いてネットワークを学習する。
• ネットワークの入力は4つの形状パラメータ（a, α, b, φ）と3次元ボクセル座標であり、出力は各ボクセルにおける符号付き距離値である。
• 学習には、予測値と地面真理SDM値との間の平均二乗誤差（MSE）損失関数を用いる。
• メッシュラスタライゼーションを回避し、推論時にもGPGPUを必要としないため、CPUオンリでのデプロイが可能である。
• 点ベースのネットワークとは異なり、全3次元SDMグリッドを効率的に生成するようにアーキテクチャが設計されている。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、従来のメッシュベースの手法と比較して、顕著に高速かつ高い精度を維持した3次元符号付き距離マップを生成できるか？
• RQ2 全SDM生成において、本手法のSDMNNはDeepSDFのような点ベースのニューラルネットワークと比較して、計算効率にどの程度優れているか？
• RQ3 SDMNNの使用が、臨床画像フィッティングタスクにおける形状パラメータ推定の精度にどの程度影響を与えるか？
• RQ4 SDMNNはGPU加速を要せず、臨床環境で効率的にデプロイ可能か？
• RQ5 CNNベースのアプローチと従来手法との間で、推論速度とSDM精度のトレードオフはどのようなものか？

主な発見

• SDMNNは0.2秒で3次元SDMを生成し、古典的なメッシュベース手法（10.7秒）と比較して66倍の高速化を達成した。
• 臨床CTデータにおける全形状フィッティングタスクでは、計算時間を12時間15分から1時間5分に短縮し、11倍の高速化を達成した。
• 形状パラメータa, α, b, φの平均誤差はそれぞれ2.06e-08, 2.53e-08, 5.4e-08, 1.00e-09であり、メッシュベース手法とほぼ同一の回復精度を示した。
• DeepSDFは1回のバッチ処理で全SDMグリッドを生成するのに28秒を要し、これは従来のVTK手法よりも劣っていた。
• SDMNNが生成したマップから抽出したゼロ等高線は、元のメッシュと視覚的に区別できず、表面再構築において最小限のずれを示した。
• 本手法は、大きなSDMグリッドを生成しても高い精度を維持しており、非ゼロ等高線におけるわずかな滑らかな歪みが生じるが、形状回復にはあまり影響しない。